Logo SUS
A sigla EPI significa ‘equipamento de proteção individual’, ele é um direito garantido pela Norma Regulamentadora NR06 do Ministério do Trabalho e Emprego (MTE), e é definido como: “todo dispositivo ou produto, de uso individual utilizado pelo trabalhador, destinado à proteção de riscos suscetíveis de ameaçar a segurança e a saúde no trabalho”.
Mesmo antes da pandemia, os EPI’s já eram bastante utilizados, principalmente em indústrias e outros postos de trabalho com maiores riscos ocupacionais. Porém, durante a pandemia não só o Brasil, como todo o restante do globo, passaram a estender essa prática de uso de EPI’s para praticamente toda a população.
São diversos os tipos de EPI’s, empregados entre os quais podemos citar os abaixo os mais populares:
Devido à alta na procura e utilização desses equipamentos no período, planos de logística passaram à ser traçados para garantir a proteção dos profissionais de saúde que atuam na linha de frente do enfretamente à COVID-19.
Nessa análise focaremos na distribuição realizada pelo ministério da saúde em todo o país que auxiliou e reforçou as redes de saúde dos estados e municípios no combate à pandemia.
Nosso objetivo será visualizar quais materiais foram mais vezes solicitados pelos estados até o dia 05/09/2021.
Bibliotecas que usaremos.
Origem da base de dados: https://opendatasus.saude.gov.br/dataset/distribuicao-de-equipamentos-de-protecao-individual-e-insumos-covid-19
Licenciamento: Os dados disponibilizados pelo Poder Executivo Federal em formato aberto são de livre utilização e reúso, observados os termos constantes do inc. IV do art 3º e do art. 4 do Decreto nº 8777/16.
Resumo dos dados da base
material: material de saúde entregue;
data.saida: data de saída para entrega;
n.pedido: número do pedido;
requisitante: Estado de destino;
unidade: unidade de medida;
quantidade: quantidade entregue;
status: status da entrega.
Ao observar nossa base de dados, veremos que os tipos vierão todos como “character”. vamos corrigi-los e realizar um sumário para verificar se tudo está correto agora.
material data.saida n.pedido requisitante
Álcool : 575 Min. :2020-03-17 Length:7055 Outros Órgãos Federais:2041
Avental : 572 1st Qu.:2020-04-10 Class :character São Paulo : 211
Luva :1055 Median :2020-05-25 Mode :character Pará : 209
Máscara Cirúrgica :1657 Mean :2020-07-03 Acre : 206
Máscara N95 :1258 3rd Qu.:2020-08-27 Santa Catarina : 204
Óculos e Protetor Facial:1080 Max. :2021-05-26 Tocantins : 204
Sapatilha e Touca : 858 (Other) :3980
unidade quantidade status
Length:7055 Min. : 1 Entregue:7055
Class :character 1st Qu.: 400
Mode :character Median : 3450
Mean : 52459
3rd Qu.: 23800
Max. :14954000
NA's :122
Primeiro verificaremos se todas as solicitações analisadas estão com o status de “Entregue”.
[1] "Entregue"
Já podemos ter um insight que todas as solicitações realizadas aqui estão cumpridas, sem necessidade de análises adicionais desse ponto.
Tendo em vista que nosso objetivo é analisar somente a quantidade de solicitações para os estados ao longo do tempo, podemos selecionar as variáveis “material” e “requisitante” para esse fim.
material requisitante
Álcool : 575 Outros Órgãos Federais:2041
Avental : 572 São Paulo : 211
Luva :1055 Pará : 209
Máscara Cirúrgica :1657 Acre : 206
Máscara N95 :1258 Santa Catarina : 204
Óculos e Protetor Facial:1080 Tocantins : 204
Sapatilha e Touca : 858 (Other) :3980
Veja bem esse ponto: Ambas são categóricas.
Nesse caso podemos utilizar uma interessante análise não supervisionada para este caso: A análise de Correspondências Simples (Para mais detalhes, pode-se verificar um outro projeto meu explicando passo a passo como é realizada a análise de Correspondência Simples nesse link: Analise_Correspondencia_Covid).
Abaixo apenas uma visualização mais detalhista feitas atráves do kable que permite adicionar à tabela estilos à tabelas com nomenclatura do boostrap
| material | requisitante |
|---|---|
| Álcool | Acre |
| Álcool | Acre |
| Álcool | Acre |
| Álcool | Acre |
| Álcool | Acre |
| Álcool | Acre |
O primeiro passo de uma análise de correspondência simples é a montagem de um tabela de frequências das nossas duas variáveis, ou seja, demonstrar quantas vezes uma aparece junto à outra.
Álcool Avental Luva Máscara Cirúrgica Máscara N95 Óculos e Protetor Facial
Acre 15 20 36 40 47 25
Alagoas 15 18 35 33 29 24
Amapá 15 13 32 39 27 30
Amazonas 15 25 30 34 27 29
Bahia 16 17 34 38 25 32
Ceará 15 15 37 39 29 31
Distrito Federal 14 14 29 25 24 17
Espírito Santo 16 15 35 41 26 27
Goiás 15 16 33 38 30 29
Maranhão 16 14 36 41 34 29
Mato Grosso 15 18 34 42 28 27
Mato Grosso do Sul 16 18 33 36 30 30
Minas Gerais 16 13 32 38 31 26
Outros Órgãos Federais 129 169 141 615 439 326
Pará 17 18 37 50 32 30
Paraíba 18 15 37 36 27 30
Paraná 19 13 32 38 31 28
Pernambuco 15 11 35 36 27 27
Piauí 15 15 35 40 31 29
Rio de Janeiro 16 9 38 31 25 26
Rio Grande do Norte 16 15 35 40 26 29
Rio Grande do Sul 18 14 35 37 33 30
Rondônia 16 14 34 38 27 27
Roraima 19 11 29 38 26 24
Santa Catarina 18 15 34 46 35 33
São Paulo 26 13 30 42 40 32
Sergipe 18 12 34 37 26 26
Tocantins 16 12 33 49 46 27
Sapatilha e Touca
Acre 23
Alagoas 20
Amapá 24
Amazonas 25
Bahia 24
Ceará 22
Distrito Federal 16
Espírito Santo 26
Goiás 22
Maranhão 27
Mato Grosso 25
Mato Grosso do Sul 25
Minas Gerais 25
Outros Órgãos Federais 222
Pará 25
Paraíba 22
Paraná 25
Pernambuco 21
Piauí 25
Rio de Janeiro 23
Rio Grande do Norte 21
Rio Grande do Sul 28
Rondônia 24
Roraima 21
Santa Catarina 23
São Paulo 28
Sergipe 25
Tocantins 21
Agora devemos verificar se as relações entre as nossas variáveis se dá ou não de forma aleatória.
Se nosso p-value resultante for menor que o grau de significância (nesse caso 0,5) existirá associação.
H0: (Hipótese Nula): Aleatoriedade de associação (Não há associação) H1: (Hipótese Alternativa): Existência de associação
Pearson's Chi-squared test with simulated p-value (based on 2000 replicates)
data: tab
X-squared = 279.32, df = NA, p-value = 0.0004998
Comprovado via teste estático, que existe relação de associação à um grau de significância de 0.5.
Sempre ao analisar um mapa perceptual (o output esperado de nossa modelo) devemos ter conosco um mapa com um os resíduos padronizados ajustados. Esse mapa tem a finalidade de explicitar as maiores relações e ajudará na interpretação do mapa.
Feitos os diagnósticos, podemos então criar nosso modelo utilizando a tabela de frequências anterior. A saída dessa biblioteca é um mapa perceptual bem simples com as duas principais dimensões geradas, ou seja, as que capturam a maior parte da variância.
Podemos confirmar isso pelos eighvalues gerados e sua variância acumulada
eigenvalue percentage of variance cumulative percentage of variance
dim 1 0.0325351275 82.175061 82.17506
dim 2 0.0028309369 7.150192 89.32525
dim 3 0.0020851058 5.266421 94.59167
dim 4 0.0012359949 3.121794 97.71347
dim 5 0.0005019746 1.267854 98.98132
dim 6 0.0004033196 1.018678 100.00000
Agora vamos guardar todas as coordendas geradas (linhas e colunas) num único objeto.
Dim 1 Dim 2 Dim 3 Dim 4 Dim 5
Acre 0.04241871 0.041322875 0.181221090 -2.325041e-03 -0.0189450941
Alagoas 0.15747457 0.076387614 0.063942860 -4.775720e-03 0.0289729192
Amapá 0.10127833 -0.013956000 -0.054814187 -1.882617e-02 -0.0246387678
Amazonas 0.10368860 0.197436229 -0.009974759 7.559079e-02 -0.0112735707
Bahia 0.13470681 0.054636236 -0.067932827 9.877262e-05 -0.0011206100
Ceará 0.13470351 0.014357961 -0.013740952 -5.053585e-02 0.0020784642
Distrito Federal 0.19102845 0.046849554 0.097560135 2.792679e-02 0.0535861417
Espírito Santo 0.13285973 0.010459207 -0.046613994 -1.691043e-02 -0.0064433283
Goiás 0.09794016 0.031192707 0.003522198 -1.374109e-02 -0.0002383666
Maranhão 0.10377431 -0.027107371 0.013702159 -1.512101e-02 -0.0434511678
Mato Grosso 0.09921928 0.061454899 -0.020148549 -1.663923e-02 0.0017076577
Mato Grosso do Sul 0.11544712 0.058528769 -0.004406782 3.027198e-02 -0.0248305305
Minas Gerais 0.09797808 -0.033342842 0.009113406 9.085886e-03 -0.0291215614
Outros Órgãos Federais -0.27459902 0.002700964 -0.007192498 -1.044096e-03 -0.0001453190
Pará 0.06940287 0.025443230 -0.019357842 -4.036872e-02 0.0330215699
Paraíba 0.17570844 0.003077775 -0.021484593 -1.519839e-03 0.0293333072
Paraná 0.10693605 -0.051632616 -0.008020573 4.582145e-02 -0.0031342324
Pernambuco 0.15362008 -0.048508855 -0.010281764 -5.056200e-02 0.0010418586
Piauí 0.10659956 0.005889973 -0.002183944 -2.478820e-02 -0.0277665254
Rio de Janeiro 0.24286789 -0.085148538 -0.013612167 -3.627110e-02 -0.0271492250
Rio Grande do Norte 0.12898074 0.015721421 -0.037267173 -3.739398e-02 0.0384054930
Rio Grande do Sul 0.12939443 -0.032690643 0.002125021 3.562975e-02 -0.0500904105
Rondônia 0.13478651 -0.004333742 -0.025258294 -9.646524e-03 -0.0039900210
Roraima 0.10168904 -0.077690238 -0.031621015 3.862777e-02 0.0583535212
Santa Catarina 0.04956145 -0.026369810 -0.006912690 -1.356780e-02 0.0215246531
São Paulo 0.05220766 -0.112128785 0.012107514 1.329184e-01 0.0126142632
Sergipe 0.15917577 -0.050863717 -0.037849440 1.633369e-02 0.0003887115
Tocantins -0.02542915 -0.092730566 0.116214468 -5.142789e-02 0.0095552474
Álcool 0.14473295 -0.066297247 -0.012092705 8.202422e-02 0.0422676658
Avental -0.01116025 0.168332054 0.020991008 2.843808e-02 0.0145104409
Luva 0.35176275 -0.004078271 0.022709999 -4.419654e-02 0.0047829903
Máscara Cirúrgica -0.18288255 -0.011803118 -0.027863375 -2.963727e-02 0.0157233750
Máscara N95 -0.14496120 -0.027333207 0.082213942 6.491366e-03 -0.0111556810
Óculos e Protetor Facial -0.02264856 0.004509097 -0.053582681 -2.128077e-03 -0.0108842777
Sapatilha e Touca 0.07215680 -0.005581966 -0.033098872 3.081350e-02 -0.0441896278
Agora vamos criar um objeto com a quantidade de categorias de cada variável da base de dados.
material requisitante
7 28
Por fim juntaremos as coordenadas com as categorias
Ótimo, já temos tudo que precisamos para criação de nossos mapas.
Primeiro plotaremos os dados novamente num plano de 2 dimensões porém num mapa mais detalhado e amigável.
Por fim vamos plotar esses dados num gráfico com 3 dimensões dinâmico com o plotly.